KR101189697B1 - Fault detector and detecting method for attitude control system of spacecaft - Google Patents
Fault detector and detecting method for attitude control system of spacecaft Download PDFInfo
- Publication number
- KR101189697B1 KR101189697B1 KR1020100084715A KR20100084715A KR101189697B1 KR 101189697 B1 KR101189697 B1 KR 101189697B1 KR 1020100084715 A KR1020100084715 A KR 1020100084715A KR 20100084715 A KR20100084715 A KR 20100084715A KR 101189697 B1 KR101189697 B1 KR 101189697B1
- Authority
- KR
- South Korea
- Prior art keywords
- failure
- model
- filter
- sensor
- driver
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 142
- 230000002452 interceptive effect Effects 0.000 claims abstract description 8
- 230000035945 sensitivity Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 description 16
- 230000008859 change Effects 0.000 description 14
- 238000004088 simulation Methods 0.000 description 13
- 239000013598 vector Substances 0.000 description 9
- 238000000926 separation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000002955 isolation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
- B64G1/00—Cosmonautic vehicles
- B64G1/22—Parts of, or equipment specially adapted for fitting in or to, cosmonautic vehicles
- B64G1/24—Guiding or controlling apparatus, e.g. for attitude control
- B64G1/26—Guiding or controlling apparatus, e.g. for attitude control using jets
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
- B64G1/00—Cosmonautic vehicles
- B64G1/22—Parts of, or equipment specially adapted for fitting in or to, cosmonautic vehicles
- B64G1/66—Arrangements or adaptations of apparatus or instruments, not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
- B64G1/00—Cosmonautic vehicles
- B64G1/22—Parts of, or equipment specially adapted for fitting in or to, cosmonautic vehicles
- B64G1/24—Guiding or controlling apparatus, e.g. for attitude control
- B64G1/244—Spacecraft control systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
- B64G1/00—Cosmonautic vehicles
- B64G1/22—Parts of, or equipment specially adapted for fitting in or to, cosmonautic vehicles
- B64G1/24—Guiding or controlling apparatus, e.g. for attitude control
- B64G1/244—Spacecraft control systems
- B64G1/245—Attitude control algorithms for spacecraft attitude control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
- B64G1/00—Cosmonautic vehicles
- B64G1/22—Parts of, or equipment specially adapted for fitting in or to, cosmonautic vehicles
- B64G1/24—Guiding or controlling apparatus, e.g. for attitude control
- B64G1/28—Guiding or controlling apparatus, e.g. for attitude control using inertia or gyro effect
- B64G1/283—Guiding or controlling apparatus, e.g. for attitude control using inertia or gyro effect using reaction wheels
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
본 발명은 우주비행체에 관한 것으로서, 특히 우주비행체의 자세제어시스템을 위한 고장 검출기 및 고장 검출 방법에 관한 것이다. 본 발명에 의하면, 다수의 구동기를 구비하는 우주비행체의 자세제어시스템을 위한 고장 검출기에 있어서, 상기 다수의 구동기에 대한 정상 모델 필터와 상기 각 구동기에 대한 고장 모델 필터를 구비하는 다수의 상위 필터를 생성하며, 상기 다수의 상위 필터로부터 상호간섭 다중모델 추정기법을 이용하여 상기 다수의 구동기에 대한 고장검출을 수행하는 제1 상호간섭 다중모델 고장검출 블록; 및 상기 제1 상호간섭 다중모델 고장검출 블록에서 검출된 고장 구동기에 대한 각 고장 형태 모델 필터를 구비하는 다수의 하위 필터를 생성하며, 상호간섭 다중모델 추정기법을 이용하여 상기 고장 구동기에 대한 고장 형태 검출을 수행하는 제2 상호간섭 다중모델 고장검출 블록을 포함하는 우주비행체의 자세제어시스템을 위한 고장 검출기가 제공된다.BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a space vehicle, and more particularly, to a failure detector and a failure detection method for an attitude control system of a space vehicle. According to the present invention, a fault detector for an attitude control system for a space vehicle having a plurality of drivers includes a plurality of upper filters including a normal model filter for the plurality of drivers and a failure model filter for each of the drivers. A first mutual interference multi-model failure detection block for generating and performing failure detection for the plurality of drivers using the mutual interference multi-model estimation technique from the plurality of upper filters; And a plurality of sub-filters each having a failure type model filter for a failure driver detected in the first interference multi-model failure detection block, and using the mutual interference multi-model estimation technique. A fault detector is provided for an attitude control system of a space vehicle including a second interfering multi-model fault detection block for performing detection.
Description
본 발명은 우주비행체에 관한 것으로서, 특히 우주비행체의 자세제어시스템을 위한 고장 검출기 및 고장 검출 방법에 관한 것이다.BACKGROUND OF THE
지구궤도를 선회하는 인공위성과 지구궤도를 벗어나 먼 우주공간으로 항행하는 탐사선을 포함하는 우주비행체에서는, 우주비행체에 대한 지상 관제센터에서의 고장 진단 및 검출 수행이 어렵기 때문에, 자체적인 고장 검출, 분리 및 복구(FDIR : Fault Detection, Isolation and Recovery) 시스템이 요구된다.In space vehicles, which include satellites orbiting the Earth's orbit and probes navigating away from the Earth's orbit into space, it is difficult to diagnose and isolate faults at the ground control center. Fault Detection, Isolation and Recovery (FDIR) system is required.
우주비행체가 임무를 안정적으로 수행하기 위해서는 항행 중 그 자세가 임무 수행에 맞게 정확하게 제어되어야 한다. 우주비행체의 자세는 우주비행체에 탑재된 자세제어시스템(ACS: Attitude Control System)에 의해 제어된다. 우주비행체에 탑재된 자세제어시스템은 우주비행체의 자세를 측정하는 자세 센서와 우주비행체의 자세를 변경하는 구동기를 이용하게 된다. 따라서, 우주비행체의 센서 또는 구동기에 고장이 발생했을 때, 고장 부분을 빨리 검출해서 분리해내지 않으면 우주비행체는 임무를 수행하지 못하게 된다.In order for the astronaut to perform its mission reliably, its posture must be accurately controlled during mission. The attitude of the spacecraft is controlled by an Attitude Control System (ACS) mounted on the spacecraft. The attitude control system mounted on the spacecraft uses a posture sensor that measures the attitude of the spacecraft and a driver that changes the attitude of the spacecraft. Therefore, when a spacecraft sensor or driver fails, the spacecraft will not be able to perform its mission unless it detects and isolates the broken portion quickly.
우주비행체의 자세제어시스템을 위한 고장 검출 방식에는 상호간섭 다중모델 (IMM: interaction multiple model) 추정기법이 주로 사용된다. 도 1에는 상호간섭 다중모델 추정기법을 이용한 종래의 구동기 고장 검출기가 개략적으로 도시되어 있으며, 도 2에는 상호간섭 다중모델 추정기법을 이용한 종래의 센서 고장 검출기가 개략적으로 도시되어 있다.Interaction multiple model (IMM) estimation technique is mainly used for the fault detection method for the attitude control system of the spacecraft. 1 is a schematic diagram of a conventional driver fault detector using an interference coherent multi-model estimation technique, and FIG. 2 is a schematic diagram of a conventional sensor failure detector using a mutual interference multi-model estimation technique.
도 1을 참조하면, 종래의 구동기 고장 검출기(10)는 필터부(11)와, 고장 결정부(12)를 구비한다. 필터부(11)는 M개의 구동기 각각에 대해 N개의 고장 형태에 대한 모델 필터를 구비한다. 도 2를 참조하면, 종래의 센서 고장 검출기(20)는 필터부(21)와, 고장 결정부(decision making)(22)를 구비한다. 필터부(21)는 각각의 센서모듈에 대응하는 제1 필터모듈(21a)과 제2 필터모듈(21b)을 구비한다. 각 필터모듈(21a, 21b)은 고장 형태에 대한 L개의 모델 필터를 구비한다.Referring to FIG. 1, a conventional
도 1 및 도 2에 도시된 바와 같이, 종래의 센서 및 구동기에 대한 고장 검출기에서는 고장 형태까지 파악하기 위해 많은 수의 모델 필터가 생성되어야 하기 때문에, 연산량이 증가하고 이는 고장 검출 성능의 저하로 이어질 수 있어서 개선이 요구된다.As shown in Fig. 1 and Fig. 2, since a large number of model filters have to be generated in the fault detector for the conventional sensor and the driver to grasp the fault type, the amount of calculation increases and this leads to a decrease in the fault detection performance. As such, improvement is required.
본 발명의 목적은 구동기 고장검출을 빠르고 정확하게 수행할 수 있는 우주비행체의 자세제어시스템을 위한 고장 검출기 및 방법을 제공하는 것이다.It is an object of the present invention to provide a failure detector and method for the attitude control system of a space vehicle capable of performing a fast and accurate driver failure detection.
본 발명의 다른 목적은 센서에 대한 고장검출도 가능한 우주비행체의 자세제어시스템을 위한 고장 검출기 및 방법을 제공하는 것이다.Another object of the present invention is to provide a failure detector and method for the attitude control system of a space vehicle capable of detecting a failure of a sensor.
본 발명의 또 다른 목적은 센서에 대한 고장검출 데이터가 구동기 고장검출에 함께 이용되는 우주비행체의 자세제어시스템을 위한 고장 검출기 및 방법을 제공하는 것이다.It is still another object of the present invention to provide a failure detector and a method for the attitude control system of a space vehicle in which failure detection data for a sensor is used together with a driver failure detection.
상기 본 발명의 목적을 달성하기 위하여, 본 발명의 일측면에 따르면,In order to achieve the object of the present invention, according to an aspect of the present invention,
다수의 구동기를 구비하는 우주비행체의 자세제어시스템을 위한 고장 검출기에 있어서, 상기 다수의 구동기에 대한 정상 모델 필터와 상기 각 구동기에 대한 고장 모델 필터를 구비하는 다수의 상위 필터를 생성하며, 상기 다수의 상위 필터로부터 상호간섭 다중모델 추정기법을 이용하여 상기 다수의 구동기에 대한 고장검출을 수행하는 제1 상호간섭 다중모델 고장검출 블록; 및 상기 제1 상호간섭 다중모델 고장검출 블록에서 검출된 고장 구동기에 대한 각 고장 형태 모델 필터를 구비하는 다수의 하위 필터를 생성하며, 상호간섭 다중모델 추정기법을 이용하여 상기 고장 구동기에 대한 고장 형태 검출을 수행하는 제2 상호간섭 다중모델 고장검출 블록을 포함하는 우주비행체의 자세제어시스템을 위한 고장 검출기가 제공된다.A fault detector for an attitude control system for a space vehicle having a plurality of drivers, the fault detector comprising: generating a plurality of upper filters including a normal model filter for the plurality of drivers and a failure model filter for each driver, A first mutual interference multi-model fault detection block for performing fault detection for the plurality of drivers using an interference coherence multi-model estimation technique from an upper filter of the plurality of drivers; And a plurality of sub-filters each having a failure type model filter for a failure driver detected in the first interference multi-model failure detection block, and using the mutual interference multi-model estimation technique. A fault detector is provided for an attitude control system of a space vehicle including a second interfering multi-model fault detection block for performing detection.
상기 상호간섭 다중모델 추정기법은 상기 각 모델 필터의 신뢰도 계산시에 벌점을 이용할 수 있다.The mutual interference multiple model estimating technique may use a penalty in calculating reliability of each model filter.
상기 다수의 구동기는 4개의 반작용 휠과 6개의 추력기 쌍을 구비하며, 상기 다수의 상위 필터의 각 구동기에 대한 고장 모델 필터는 상기 4개의 반작용 휠 각각에 대한 고장 모델 필터와 상기 6개의 추력기 쌍 각각에 대한 고장 모델 필터를 구비할 수 있다.The plurality of drivers have four reaction wheels and six thruster pairs, and the failure model filter for each driver of the plurality of upper filters comprises a failure model filter and each of the six thruster pairs for each of the four reaction wheels. It may be provided with a failure model filter for.
상기 다수의 하위 필터는 상기 고장 구동기에 대한 완전 고장 모델 필터와 부분 고장 모델 필터를 구비할 수 있다.The plurality of sub-filters may comprise a complete failure model filter and a partial failure model filter for the failure driver.
상기 우주비행체는 다수의 센서 모듈을 구비하며, 상기 다수의 센서 모듈 각각으로부터 데이터를 입력받아서 상기 우주비행체의 자세 모델의 추정치를 계산하는 다수의 로컬 필터와, 상기 우주비행체의 자세에 대한 예측 필터와, 상기 다수의 로컬 필터로부터의 데이터와 상기 예측 필터의 데이터를 이용하여 상기 각 로컬 필터에 대한 민감 인자를 산출하는 민감 인자 산출부와, 각 로컬 필터에 대한 민감 인자를 비교하는 비교부를 구비하는 연합형 칼만필터 고장검출 블록을 더 포함하며, 상기 연합형 칼만 필터 고장검출 블록은 가장 작은 민감 인자를 갖는 로컬 필터에 사용된 센서 모듈의 데이터를 상기 제1 상호간섭 다중모델 고장검출 블록의 상위 필터로 전달할 수 있다.The space vehicle includes a plurality of sensor modules, a plurality of local filters that receive data from each of the plurality of sensor modules, and calculate an estimate of an attitude model of the space vehicle, a prediction filter for the attitude of the space vehicle, A federation comprising a sensitivity factor calculator for calculating a sensitivity factor for each local filter using data from the plurality of local filters and data of the prediction filter, and a comparison unit for comparing the sensitivity factor for each local filter; And a type Kalman filter fault detection block, wherein the associated Kalman filter fault detection block includes data of the sensor module used in the local filter having the smallest sensitivity factor as an upper filter of the first interferometric multi-model fault detection block. I can deliver it.
상기 제1 상호간섭 다중모델 고장검출 블록은 가장 큰 민감 인자를 갖는 로컬 필터에 사용된 센서 모듈의 각 센서에 대한 고장 모델 필터를 구비하는 다수의 센서 필터를 생성하며, 상기 연합형 칼만필터 고장검출 블록은 가장 큰 민감 인자를 갖는 센서 모듈의 데이터를 상기 다수의 센서 필터로 전달하며, 상기 민감 인자와 상기 다수의 센서 필터로부터의 데이터를 이용하여 센서의 고장을 검출할 수 있다.The first mutually interfering multi-model fault detection block generates a plurality of sensor filters including fault model filters for each sensor of the sensor module used in the local filter having the largest sensitivity factor, and the associated Kalman filter fault detection. The block transmits data of the sensor module having the largest sensitivity factor to the plurality of sensor filters, and detects a failure of the sensor using the sensitivity factor and data from the plurality of sensor filters.
상기 센서 모듈은 X축 자이로와, Y축 자이로와, Z축 자이로를 구비하며, 상기 다수의 센서 필터는 X축 자이로의 고장 모델 필터와, Y축 자이로의 고장 모델 필터와, Z축 자이로의 고장 모델 필터를 구비할 수 있다.The sensor module includes an X-axis gyro, a Y-axis gyro, and a Z-axis gyro, and the plurality of sensor filters include a failure model filter of the X-axis gyro, a failure model filter of the Y-axis gyro, and a failure of the Z-axis gyro. A model filter can be provided.
본 발명의 다른 측면에 따르면,According to another aspect of the present invention,
다수의 구동기를 구비하는 우주비행체의 자세제어시스템을 위한 고장 검출 방법에 있어서, 상기 다수의 구동기에 대한 정상 모델 필터와 상기 각 구동기에 대한 고장 모델 필터를 구비하는 다수의 상위 필터를 생성하며, 상호간섭 다중모델 추정기법을 이용하여 상기 다수의 구동기에 대한 고장검출을 수행하는 제1 구동기 고장 검출 단계; 및 상기 제1 구동기 고장 검출 단계에서 검출된 고장 구동기의 고장 형태에 대한 다수의 하위 모델 필터를 생성하며, 상호간섭 다중모델 추정기법을 이용하여 상기 고장 구동기에 대한 고장 형태 검출을 수행하는 제2 구동기 고장 검출 단계를 포함하는 우주비행체의 자세제어시스템을 위한 고장 검출 방법이 제공된다.A fault detection method for a posture control system of a space vehicle having a plurality of drivers, the method comprising: generating a plurality of upper filters including a normal model filter for the plurality of drivers and a failure model filter for each of the drivers, and A first driver failure detection step of performing a failure detection for the plurality of drivers using an interference multi-model estimation technique; And a second driver for generating a plurality of sub-model filters for the failure type of the failure driver detected in the first driver failure detection step, and performing failure type detection for the failure driver using a mutual interference multi-model estimation technique. A failure detection method for an attitude control system of a space vehicle including a failure detection step is provided.
상기 상호간섭 다중모델 추정기법은 상기 각 모델 필터의 신뢰도 계산시에 벌점을 이용할 수 있다.The mutual interference multiple model estimating technique may use a penalty in calculating reliability of each model filter.
상기 우주비행체는 다수의 센서 모듈을 구비하며, 상기 고장 검출 방법은 상기 다수의 상기 다수의 센서 모듈 각각으로부터 데이터를 입력받아서 계산된 상기 우주비행체의 자세 모델의 추정치와 상기 우주비행체의 자세에 대한 예측값을 이용하여 각 추정치에 대한 민감 인자를 계산하고 비교하는 제1 센서 고장 검출 단계; 및 가장 큰 민감 인자를 갖는 추정치의 계산에 사용된 센서 모듈의 각 센서의 고장 모델 필터를 생성하며, 상기 가장 큰 민감 인자를 갖는 추정치의 계산에 사용된 센서 모듈의 데이터를 기초로 상호간섭 다중모델 추정기법을 이용하여 개별 센서의 고장을 검출하는 제2 센서 고장 검출 단계를 포함할 수 있다.The space vehicle includes a plurality of sensor modules, and the failure detection method includes an estimate of an attitude model of the space vehicle calculated by receiving data from each of the plurality of sensor modules and a predicted value of the attitude of the space vehicle. A first sensor failure detection step of calculating and comparing a sensitivity factor for each estimate using a; And generating a failure model filter for each sensor of the sensor module used for the calculation of the estimate with the largest sensitivity factor, and based on the data of the sensor module used for the calculation of the estimate with the largest sensitivity factor. A second sensor failure detection step of detecting a failure of the individual sensor using the estimation technique may be included.
상기 민감 인자들 중 가장 작은 민감 인자를 갖는 추정치의 계산에 사용된 센서 모듈의 데이터는 상기 제1 구동기 고장 검출 단계로 전달될 수 있다.The data of the sensor module used in the calculation of the estimate having the smallest sensitivity factor among the sensitive factors may be passed to the first driver failure detection step.
본 발명에 의하면 앞서서 기재한 본 발명의 목적을 달성할 수 있다. 구체적으로는 고장 검출기가 고장 구동기를 찾는 제1 구동기 고장검출 단계를 수행하는 제1 상호간섭 다중모델 고장검출 블록과 고장검출된 구동기의 고장 형태를 찾는 제2 구동기 고장검출 단계를 수행하는 제2 상호간섭 다중모델 고장검출 블록을 구비하므로 모델 필터의 생성을 최소화할 수 있기 때문에, 고장 검출의 시간을 줄이고 성능을 향상시킬 수 있다.According to the present invention, the object of the present invention described above can be achieved. Specifically, a first mutual interference multi-model fault detection block in which a fault detector performs a first driver fault detection step for finding a fault driver and a second mutual fault performing a second driver fault detection step for finding a fault type of the fault detected driver. Since the interference multi-model fault detection block is provided, the generation of the model filter can be minimized, thereby reducing the time for fault detection and improving the performance.
또한, 구동기 고장검출시에 벌점을 이용한 상호간섭 다중모델 추정기법이 사용되므로 고장 검출 시간을 더욱 줄일 수 있다.In addition, the failure detection time can be further reduced since the mutual interference multi-model estimation method using the penalty is used in detecting the driver failure.
그리고, 다수의 센서 모듈 각각에 대한 민감 인자를 산출하고 그 크기를 비교하는 연합형 칼만필터 고장검출 블록과 상호간섭 다중모델 추정기법을 이용하여 민감 인자가 큰 센서 모듈의 각 센서에 대한 모델 필터가 구비되므로 센서에 대한 고장 검출이 효과적으로 이루어질 수 있다.In addition, a model filter for each sensor of a sensor module having a high sensitivity factor is obtained by using a combined Kalman filter fault detection block and a mutual interference multi-model estimation method that calculates and compares the magnitude of the sensitivity factor of each of the plurality of sensor modules. Since the failure detection for the sensor can be made effectively.
도 1은 상호간섭 다중모델 추정기법을 이용한 종래의 인공위성 구동기의 고장 검출기를 개략적으로 도시한 것이다.
도 2는 상호간섭 다중모델 추정기법을 이용한 종래의 인공위성 센서의 고장 검출기를 개략적으로 도시한 것이다.
도 3은 본 발명의 일 실시예에 따른 우주비행체 구동기의 고장 검출기가 적용되는 인공위성에 설치된 4개의 반작용 휠의 배치 상태를 도시한 것이다.
도 4는 본 발명의 일 실시예에 따른 우주비행체 구동기의 고장 검출기가 적용되는 인공위성에 설치된 다수의 추력기의 배치 상태를 도시한 것이다.
도 5는 본 발명의 일 실시예에 따른 우주비행체 자세제어시스템을 위한 고장 검출기의 구성을 도시한 블록도이다.
도 6은 본 발명의 일 실시예에 따라 벌점(penalty)을 이용하였을 때의 모델 필터의 확률 변화에 대한 시뮬레이션 결과를 보여주는 그래프이다.
도 7은 벌점을 이용하지 않는 종래 방식에서의 모델 필터의 확률 변화에 대한 시뮬레이션 결과를 보여주는 그래프이다.
도 8은 벌점의 변화에 따른 고장 검출 성능에 대한 시뮬레이션 결과를 보여주는 그래프이다.
도 9 및 도 10은 도 5에 도시된 고장 검출기를 이용한 구동기 고장 검출에 대한 시뮬레이션 결과를 보여주는 그래프이다.
도 11은 종래의 방식에서의 구동기 고장 검출에 대한 시뮬레이션 결과를 보여주는 그래프이다.
도 12, 도 13 및 도 14는 도 5에 도시된 고장 검출기를 이용한 센서 고장 검출에 대한 시뮬레이션 결과를 보여주는 그래프이다.1 schematically illustrates a failure detector of a conventional satellite driver using an mutual interference multi-model estimating technique.
Figure 2 schematically shows a fault detector of a conventional satellite sensor using the mutual interference multi-model estimation technique.
FIG. 3 illustrates an arrangement of four reaction wheels installed in a satellite to which a failure detector of a space vehicle driver according to an embodiment of the present invention is applied.
4 is a view illustrating an arrangement of a plurality of thrusters installed in a satellite to which a failure detector of a space vehicle driver according to an embodiment of the present invention is applied.
5 is a block diagram showing the configuration of a failure detector for a space vehicle attitude control system according to an embodiment of the present invention.
FIG. 6 is a graph showing a simulation result of a probability change of a model filter when a penalty is used according to an embodiment of the present invention.
7 is a graph showing a simulation result for a probability change of a model filter in the conventional method without penalty.
8 is a graph showing a simulation result of the failure detection performance according to the change in the penalty.
9 and 10 are graphs showing simulation results of driver failure detection using the failure detector illustrated in FIG. 5.
11 is a graph showing simulation results for driver failure detection in a conventional manner.
12, 13, and 14 are graphs showing simulation results of sensor failure detection using the failure detector illustrated in FIG. 5.
이하, 첨부된 도면 등을 참조하여 본 발명에 따른 일 실시예의 구성 및 작용을 상세히 설명한다. 본 실시예에서는 우주비행체로서 인공위성을 예를 들어서 설명하는데, 본 발명은 우주비행체를 인공위성으로 제한하는 것은 아니다.
Hereinafter, with reference to the accompanying drawings, it will be described in detail the configuration and operation of one embodiment according to the present invention. In the present embodiment, a satellite is described as an example of the space vehicle, but the present invention is not limited to the satellite.
먼저 구동기로서 반작용 휠과 추력기를 이용하는 인공위성의 자세 모델식을 유도한다. 반작용 휠과 추력기를 이용한 인공위성의 동적 모델은 기본적으로 비선형으로 주어진다. 인공위성의 동적 자세 모델식을 구성하기 위하여, 3차원 오일러 방정식과 반작용 휠(reaction wheel)의 자이로스코픽 토크(gyroscopic torque), 반작용 휠과 추력기(thruster)의 절대 토크를 포함한 식은 다음 수학식 1 내지 수학식 3과 같이 쓸 수 있다.
First, the attitude model of the satellite using the reaction wheel and the thruster is derived. Dynamic models of satellites using reaction wheels and thrusters are given by default in a nonlinear fashion. In order to construct the dynamic attitude model of the satellite, the equation including the three-dimensional Euler equation, the gyroscopic torque of the reaction wheel, the absolute torque of the reaction wheel and the thruster is expressed as
수학식 1 내지 수학식 3에서, 는 인공위성 전체의 관성 모멘트를 나타내며,는 인공위성의 전체 관성 모멘트와 반작용 휠 관성 모멘트의 차를 표현한 것으로서 이다. 은 반작용 휠의 배치에 따라 결정되는 휠의 입력 배분 행렬을 나타내며, 은 인공위성의 세 축에 대한 각속도 벡터(angular velocity vector)를 나타내고, 은 반작용 휠의 속도 벡터를 나타내며, 은 반작용 휠의 회전 운동량(angular momentum)을 나타낸다. 또한 수학식 1에서 우변의 첫 번째 항은 3차원 오일러 방정식이고, 두 번째 항은 인공위성 반작용 휠의 자이로스코픽 토크를 표현한 항이며, 세 번째 항과 네 번째 항은 반작용 휠과 추력기의 절대적 제어 토크이다. 나머지 항들은 인공위성에 영향을 미치는 외란들을 표현한 항이다.
In
반작용 휠의 회전 운동량을 나타내는 수학식 3을 시간에 대해 미분하면, 수학식 4와 같이 반작용 휠의 속도 벡터 미분식으로 표현할 수 있다.
If
수학식 4에 수학식 1을 대입하고 인공위성이 심 우주(deep space)에 있다고 가정한다면, 지구와 충분히 떨어져 있어서 지구의 공기나 중력에 의한 외란이 없기 때문에 수학식 5와 수학식 6과 같이 최종적인 반작용 휠 운동 방정식과 인공위성의 동적 자세 모델식을 유도할 수 있다.
If we substitute
또한 자세제어를 표현하기 위해서는 좌표변환 식이 필요하게 되는데, 본 실시예에서는 네비게이션 좌표계(LVLH : Local Vertical Local Horizontal)와 바디 좌표계(BFC : Body Fixed Frame)의 관계를 이용한다. 피치(pitch)()-요(yaw)()-롤(roll)() 좌표 변환 행렬을 오일러각을 이용하면 수학식 7과 같다.
In addition, in order to express posture control, a coordinate transformation equation is required. In this embodiment, a relationship between a navigation coordinate system (LVLH: Local Vertical Local Horizontal) and a body coordinate system (BFC) is used. Pitch ( ) -Yaw ( ) -Roll ( ) Using the Euler angle as a coordinate transformation matrix,
각속도와 오일러각의 시간변화율 사이의 관계식은 수학식 8과 같다.
The relation between the angular velocity and the rate of change of the Euler angle is shown in Equation (8).
본 실시예에서는 1개의 하드웨어 여분을 포함하는 4개의 반작용 휠 및 추력기가 탑재된 인공위성을 고려한다. 휠의 장착형상에 따라서 입력 배분 행렬 L이 결정되며, 각 열은 해당하는 휠이 인공위성에 미치는 토크의 영향을 의미한다. 본 실시예에서는 4개의 반작용 휠이 도 3에 도시된 바와 같은 원뿔 형태로 배치되는 것으로 설명한다. 일반적으로 반작용 휠의 제어 성능을 최대로 하기 위해서는 4개의 반작용 휠을 도 3에 도시된 바와 같이 원뿔 형태로 배치하게 된다. 이와 같은 형태로 반작용 휠이 배치되었을 때, 입력 배분 행렬 L은 수학식 9와 같다. 도 3에서 x-y-z 좌표계는 인공위성의 기준 좌표를 나타내며, 도면부호 v1, v2, v3 및 v4는 각 1번 반작용 휠, 2번 반작용 휠, 3번 반작용 휠 및 4번 반작용 휠의 토크 벡터를 나타낸다. β가 54도이고σ가 45도인 경우에 1개의 휠이 고장 났을 때, 전력 소모를 최소화할 수 있는 것으로 알려져 있다.
This embodiment considers a satellite equipped with four reaction wheels and thrusters containing one hardware spare. The input distribution matrix L is determined according to the mounting shape of the wheel, and each column represents the influence of the torque of the corresponding wheel on the satellite. In the present embodiment, it will be described that four reaction wheels are arranged in a conical shape as shown in FIG. 3. In general, in order to maximize the control performance of the reaction wheel, four reaction wheels are arranged in a cone shape as shown in FIG. 3. When the reaction wheel is arranged in this manner, the input distribution matrix L is expressed by Equation (9). In FIG. 3, the xyz coordinate system represents reference coordinates of the satellite, and reference numerals v1, v2, v3, and v4 denote torque vectors of
본 실시예에서는 인공위성의 자세제어를 위하여 4개의 반작용 휠과 함께 다수의 추력기가 함께 사용된다. 인공위성의 3축 자세 제어를 위해 다수의 추력기가 일반적으로 도 4에 도시된 바와 같이 구성된다. 도 4를 참조하면, 인공위성(S)에는 X축을 따라 중심을 사이에 두고 양 쪽에 위치하는 제1, 제2 X축 추력기 모듈(TX1, TX2)과, Y축을 따라 중심을 사이에 두고 양 쪽에 위치하는 제1, 제2 Y축 추력기 모듈(TY1, TY2)이 구비된다. 제1 X축 추력기 모듈(TX1)은 Y축을 따라 서로 반대쪽을 향하도록 설치된 2개의 추력기(TX12, TX14)와, Z축을 따라 서로 반대쪽을 향하도록 설치된 2개의 추력기(TX11, TX13)를 구비한다. 제2 X축 추력기 모듈(TX2)은 Y축을 따라 서로 반대쪽을 향하도록 설치된 2개의 추력기(TX22, TX24)와, Z축을 따라 서로 반대쪽을 향하도록 설치된 2개의 추력기(TX21, TX23)를 구비한다. 제1 Y축 추력기 모듈(TY1)은 X축을 따라 서로 반대쪽을 향하도록 설치된 2개의 추력기(TY12, TY14)와, Z축을 따라 서로 반대쪽을 향하도록 설치된 2개의 추력기(TY11, TY13)를 구비한다. 제2 Y축 추력기 모듈(TY2)은 X축을 따라 서로 반대쪽을 향하도록 설치된 2개의 추력기(TY22, TY24)와, Z축을 따라 서로 반대쪽을 향하도록 설치된 2개의 추력기(TY21, TY23)를 구비한다.In this embodiment, a plurality of thrusters are used together with four reaction wheels for attitude control of the satellite. Multiple thrusters are generally configured as shown in FIG. 4 for triaxial attitude control of the satellite. Referring to FIG. 4, the satellite S includes first and second X-axis thruster modules TX1 and TX2 positioned at both sides along a center along an X axis, and located at both sides along a center along a Y axis. The first and second Y-axis thruster modules TY1 and TY2 are provided. The first X-axis thruster module TX1 includes two thrusters TX12 and TX14 installed to face each other along the Y axis, and two thrusters TX11 and TX13 installed to face opposite to each other along the Z axis. The second X-axis thruster module TX2 includes two thrusters TX22 and TX24 installed to face each other along the Y axis, and two thrusters TX21 and TX23 installed to face opposite to each other along the Z axis. The first Y-axis thruster module TY1 includes two thrusters TY12 and TY14 installed to face each other along the X axis, and two thrusters TY11 and TY13 installed to face opposite to each other along the Z axis. The second Y-axis thruster module TY2 includes two thrusters TY22 and TY24 installed to face each other along the X axis, and two thrusters TY21 and TY23 installed to face opposite to each other along the Z axis.
추력기는 반작용 휠과는 달리 궤도 변화와 자세 변환을 모두 제어할 수 있다. 하지만 추력기를 이용하여 자세 변환만을 하기 위해서는 2개의 추력기가 쌍으로 동시에 작동해야 한다. 즉 인공위성의 중심을 기준으로 대칭되는 반대 방향의 추력기가 동시에 같은 크기로 작동해야 우력이 발생하여 궤도 변화 없이 자세변환을 할 수 있다.
The thruster, unlike the reaction wheel, can control both trajectory changes and attitude changes. However, in order to change posture using thrusters, two thrusters must be operated simultaneously in pairs. In other words, thrusters in opposite directions, which are symmetrical with respect to the center of the satellite, must be operated at the same size at the same time so that a right force can be generated and posture change can be performed without changing the trajectory.
이하에서는 시스템 상태를 추정을 위한 확장 칼만 필터의 구성에 대해 설명한다. 인공위성의 자세식은 기본적으로 비선형이다. 칼만 필터는 이전 시간에 추정한 값을 토대로 해서 현재의 값을 추정하는 선형 추정기로, 비선형 시스템에 사용하는 경우에는 선형화된 모델로 근사하는 과정이 추가되어야 하며 이 과정에서 수학적 모델과 실제 시스템 사이의 차이는 더욱 커지게 된다. 인공위성의 자세 시스템이 복잡한 비선형 시스템임을 고려할 때, 이는 큰 단점이 된다. 따라서 본 실시예에서는 확장 칼만 필터(EKF: Extended Kalman Filter)가 사용된다. 확장칼만필터의 A행렬을 유도하기 위해 수학식 5 내지 수학식 7을 이용하여 자코비안(Jacobian) 행렬을 구한다.
Hereinafter, the configuration of the extended Kalman filter for estimating the system state will be described. The attitude of the satellite is basically nonlinear. The Kalman filter is a linear estimator that estimates the current value based on previous estimates. For nonlinear systems, the Kalman filter adds an approximation to the linearized model. The difference is even greater. Considering that the satellite posture system is a complex nonlinear system, this is a major disadvantage. Therefore, in this embodiment, an Extended Kalman Filter (EKF) is used. In order to derive the A matrix of the Extended Kalman Filter, a Jacobian matrix is obtained by using
상태변수는 인공위성의 자세(3개), 인공위성의 각속도(3개), 및 인공위성 반작용 휠의 속도(4개)로서 모두 10개이다. 또한 입력 항은 인공위성 추력기의 절대 토크(3개)와 반작용 휠의 절대 토크(4개)로서 모두 7개 이다. 와 는 다음과 같이 정의된다.
The state variables are 10, the attitude of the satellite (3), the angular velocity of the satellite (3), and the speed of the satellite reaction wheel (4). In addition, the input terms are seven, the absolute torque of the satellite thrusters (three) and the absolute torque of the reaction wheel (four). Wow Is defined as
따라서 행렬 A와 행렬 B는 아래와 같이 구한다.
Therefore, matrix A and matrix B are calculated as follows.
이하에서는 구동기의 고장 모델링에 대해 설명한다. 일반적으로 추력기와 반작용 휠에서 일어나는 고장은 제어부분과 같은 회로 측면에서 많이 발생하며 제어 부분에서 고장이 발생하면 제어 명령을 제대로 따르지 못하고 바이어스를 포함한 형태, 일정한 상수가 곱해진 형태 등으로 출력이 나오는 경우가 생긴다. 이러한 경우는 구동기 출력의 합형 고장(additive fault)과 곱형 고장(multiplicative fault)으로 모델링할 수 있다. 또한 다른 원인으로서 외부의 큰 충격으로 휠이 정지하는 경우나 추력기의 추력이 원하는 크기만큼 나오지 않는 경우도 있다.Hereinafter, the failure modeling of the driver will be described. In general, failures in thrust and reaction wheels occur in the same circuit side as the control part.When failure occurs in the control part, the output does not follow the control command properly and comes in the form of a bias, a multiplied constant constant, etc. Occurs. This can be modeled as an additive fault and a multiplicative fault at the driver output. As another cause, the wheel may stop due to a large external shock or the thrust of the thruster may not come out as much as desired.
반작용 휠이나 추력기와 같은 구동기에서 가장 치명적인 고장은 그 작동이 완전히 정지해버리는 완전 고장(hard fault)이다. 반작용 휠에 완전 고장이 발생하면, 4개의 반작용 휠 배치 구조에서 하나의 휠 고장으로도 3축 모두에 영향을 미치기 때문에 인공위성 자세제어에 중대한 영향을 미친다. 또한, 추력기에 완전 고장이 발생하면, 자세변환을 위해 2개의 추력기가 짝으로 구동해야 하는데 1개의 추력기만 작동하게 되는 경우 인공위성의 자세뿐만 아니라 원치않게 궤도도 변하게 된다.The most fatal faults in actuators such as reaction wheels and thrusters are the hard faults that completely stop their operation. The complete failure of the reaction wheel has a significant impact on the satellite attitude control, as one wheel failure affects all three axes in the four reaction wheel arrangements. In addition, if a complete failure of the thruster, two thrusters must be driven in pairs for posture change, but if only one thruster is operated, not only the attitude of the satellite but also the unwanted trajectory changes.
완전 고장은 아니지만, 반작용 휠이 원하는 크기의 토크를 만들지 못하거나 추력기가 원하는 추력을 내지 못하는 부분 고장(soft fault)의 경우에도, 위성의 자세에 직접적인 큰 영향을 미치지는 않지만 시간이 흐를수록 그장에 의한 영향이 누적되므로 고장이 발생하게 되면 조속하고 정확한 고장 검출이 요구된다.Although not a complete fault, even in the case of a soft fault where the reaction wheel does not produce the torque of the desired magnitude or the thrust does not produce the desired thrust, it does not directly affect the attitude of the satellite, but over time The effect is cumulative, so if a fault occurs, it is required to detect the fault quickly.
반작용 휠과 추력기의 완전 고장은 반작용 휠이 제어 명령에 따라 출력을 내다가 고장 발생 후 출력이 0으로 나오는 형태로 모델링될 수 있으며, 반작용 휠과 추력기의 부분 고장은 고장의 크기를 50% 또는 25% 등으로 함으로써 모델링될 수 있다.The complete failure of the reaction wheel and thruster can be modeled in such a way that the reaction wheel produces an output in response to a control command and then outputs zero after the failure. A partial failure of the reaction wheel and the thruster results in a 50% or 25 magnitude of failure. Can be modeled by% and the like.
반작용 휠 4개와 추력기에 대해서 각각의 고장에 대한 고장 모델식은 수학식 24와 같이 표현될 수 있다.
The failure model equation for each failure for the four reaction wheels and the thruster can be expressed as Equation 24.
구동기 입력 행렬인 G(k)에 고장에 의한 영향을 나타내는 Mj 행렬을 선택적으로 더하는 것으로 구동기 고장 모델식을 표현한다. 행렬 Mj는 j번째 열을 제외한 다른 항들은 모두 0으로 구성된 행렬로서 j번째 고장 모델을 나타낸다. 그러나 수학식 24의 고장 모델식은 입력 벡터 u(k)에 의해서 고장의 영향이 조정되기 때문에 고장 검출이 쉽지 않다. 따라서 수학식 24의 고장 모델식의 Mj 행렬을 시스템 노이즈 항으로 표현할 수 있다. 수학식 24는 j번째 구동기 고장으로 시스템 노이즈 항을 더한 것으로 나타내면, 수학식 25와 같이 나타낼 수 있다.
The driver failure model equation is expressed by selectively adding the M j matrix representing the influence of the failure to G (k) which is the driver input matrix. The matrix M j is a matrix of all zeros except the j th column, and represents the j th failure model. However, the fault model of Equation 24 is not easy to detect a fault because the influence of the fault is adjusted by the input vector u (k). Therefore, the M j matrix of the failure model of Equation 24 may be expressed as a system noise term. Equation 24 is expressed by adding the system noise term to the j-th driver failure.
이하에서는 센서의 고장 모델링에 대해 설명한다. 인공위성의 센서는 인공위성의 자세를 구하는 별 센서, 인공위성의 각속도를 측정하는 관성센서 등이 있으며 일반적으로 관성항법장치에서 사용되고 있는 센서는 고장이 발생할 확률이 매우 적기 때문에 여분의 센서를 중첩 사용하는 경우에는 다수의 센서 고장을 가정하거나 고려하는 것은 현실적으로 적합하지 않다. 따라서 센서에서 발생 가능한 형태의 고장 특성을 고려함으로써, 기본적인 가정을 수행할 수 있다. 이러한 센서의 고장은 다양한 형태로 나타날 수 있는데, 가장 치명적인 고장은 하드웨어나 통신 상의 문제 등으로 인해 센서의 동작이 멈추거나 출력이 나오지 않는 경우이다. 그리고 센서 출력이 임의의 바이어스를 지니거나 고정된 상수 출력을 보이는 경우와, 아날로그 센서에서 흔히 발생하는 고장으로서 온도 변화나 오차보정(calibration) 문제로 발생하며 센서 출력에 일정 상수가 더해진 형태(drift) 또는 센서의 정상적인 출력에 임의의 값이 곱해진 형태의 고장이 존재한다. 따라서 이러한 센서의 고장은 다음과 같은 방법으로 모델링될 수 있다. H 행렬과 센서의 고장을 표현하는 Lj 행렬을 선택적으로 더하는 형태로 고장 모델식을 수학식 26과 같이 표현한다. 여기서 Lj는 j번째 열을 제외한 다른 항들은 모두 0으로 구성된 행렬로서 j번째 고장 모델을 나타낸다.
Hereinafter, the failure modeling of the sensor will be described. Satellite sensors include star sensors that calculate the attitude of satellites and inertial sensors that measure the angular velocity of satellites.In general, sensors used in inertial navigation systems have a very low probability of failure. Assuming or considering multiple sensor failures is not practically appropriate. Thus, by considering the type of failure characteristics that can occur in the sensor, it is possible to make basic assumptions. These sensor failures can take many forms. The most fatal failures are when the sensor stops working or no output comes due to hardware or communication problems. In addition, when the sensor output has a certain bias or fixed constant output, and a common error in analog sensors, it occurs due to temperature change or calibration problem, and a constant constant is added to the sensor output. Or there is a fault in the form of a normal value multiplied by a normal output of the sensor. Therefore, the failure of such a sensor can be modeled in the following way. The failure model equation is expressed as Equation 26 by selectively adding the H matrix and the L j matrix representing the failure of the sensor. L j is a matrix of all zeros except the jth column, and represents the jth failure model.
센서의 고장 모델식도 구동기 고장 모델식과 같이 고장을 측정 노이즈 항으로 다시 표현할 수 있다. 수학식 26은 j번째 센서 고장을 측정 노이즈항 ej(k)을 더하는 것으로 수학식 27과 같이 다시 나타낼 수 있다.
The fault model equation of the sensor can also be expressed in terms of the measured noise, just like the driver fault model equation. Equation 26 adds the measurement noise term e j (k) to the j-th sensor failure and may be represented as in Equation 27.
이하에서는 고장 검출 분리를 위한 마코프 모델을 소개한다. 고장에 의해 변화되는 실제 시스템은 수학식 28 및 수학식 29와 같이 마코프 체인(Markov chain)으로 모델링될 수 있다.
The following introduces the Markov model for fault detection isolation. The actual system changed by the failure can be modeled with a Markov chain, as shown in Equations 28 and 29.
x(k)는 상태변수 벡터, z(k)는 측정치 벡터, u(k)는 제어 입력 벡터이다. 또한 처음 모델에서 다음 모델로 변하는 확률인 천이 확률(transition probabilities)은 다음 수학식 30 및 수학식 31과 같다.
x (k) is the state variable vector, z (k) is the measurement vector, and u (k) is the control input vector. In addition, transition probabilities, which are probabilities of changing from the first model to the next model, are represented by the following
여기서 P{}은 확률을 나타내고, m{k}는 k 스텝에서 정상 모드 혹은 고장 모드를 가르키는 모달 상태를 나타내며, πij(k)는 mi모드에서 mj모드로 변하는 천이 확률을 나타내고, S는 모드의 개수를 나타낸다.
Where P {} represents a probability, m {k} represents a modal state indicating a normal mode or a failure mode in k steps, π ij (k) represents a transition probability of changing from m i mode to m j mode, S represents the number of modes.
도 5는 본 발명의 일 실시예에 따른 우주비행체 자세제어시스템을 위한 고장 검출기의 구성을 도시한 블록도이다. 도 5를 참조하면, 고장 검출기(100)는 연합형 칼만필터 고장검출(FKF FDI) 블록(110)과, 제1 상호간섭 다중모델 고장검출(IMM FDI) 블록(120)과, 제2 상호간섭 다중모델 고장검출 블록(130)을 구비한다.5 is a block diagram showing the configuration of a failure detector for a space vehicle attitude control system according to an embodiment of the present invention. Referring to FIG. 5, the
연합형 칼만필터 고장 검출 블록(110)은 제1 로컬 필터(111a)와, 제2 로컬 필터(111b)와, 민감 인자 산출부(112)와, 예측 필터(prediction filter)(113)와, 비교부(114)와, 센서 고장 결정부(115)를 구비한다. 제1 로컬 필터(111a)는 제1 센서 모듈(sensor modul)(SM1)의 데이터를 이용하여 인공위성 자세 모델의 추정치를 구하며, 제2 로컬 필터(111b)는 제2 센서 모듈(SM2)의 데이터를 이용하여 인공위성 자세 모델의 추정치를 구한다. 예측 필터(113)는 인공위성의 비선형 자세 동역학 모델을 이용하여 인공위성 자세 모델의 예측치를 구한다. 민감 인자 산출부(112)는 각 로컬 필터(111a, 111b)에서 구한 추정치를 바탕으로 예측 필터(113)로부터의 예측치를 이용하여 두 로컬 필터(111a, 111b)의 고장 신뢰도인 민감 인자(sensitivity factor)를 산출한다. 제1 로컬 필터(111a)와 제2 로컬 필터(111b)의 민감 인자는 수학식 32과 같이 계산된다.
The associated Kalman filter
비교부(114)는 두 민감 인자를 비교하며, 큰 민감 인자에 해당하는 센서 모듈의 데이터(A)와 작은 민감 인자에 해당하는 센서 모듈의 데이터(B)를 각각 구별하여 상위 상호간섭 다중모델 고장검출 블록(120)으로 제공한다. 센서 고장 결정부(115)는 두 로컬 필터(111a, 111b)의 고장 신뢰도와 상위 상호간섭 다중모델 고장검출 블록(120)에서 제공된 센서 고장 모델들의 확률을 바탕으로 최종적으로 어느 모듈의 어떤 센서가 고장인지 검출하여 분리하게 된다.The
또한 두 개의 민감 인자 분리를 확실히 하기 위해 수학식 33와 같이 Si 누적값을 이용한다.
In addition, the cumulative value S i is used as shown in Equation 33 to ensure separation of two sensitive factors.
여기서 N은 윈도우의 크기를 나타낸다. 위와 같이 계산된 Wi 값이 모두 임계값보다 작을 경우에는 상위 상호간섭 다중모델 고장검출 블록(120)에서 센서 고장 검출은 수행하지 않고 구동기 고장 모델 필터만을 생성하여 구동기 고장 검출만을 수행한다. 하지만 둘 중 하나가 임계값을 넘으면 임계값을 넘은 Si의 센서 모듈 데이터는 다시 상위 상호간섭 다중모델 고장검출 블록(120)으로 넘어가서 센서 고장검출을 수행하게 된다.
Where N represents the size of the window. When all of the calculated values of W i are smaller than the threshold value, the upper mutual interference multi-model
제1 상호간섭 다중모델 고장검출 블록(120)은 센서 필터 모듈(121)과, 상위 구동기 필터 모듈(122)과, 구동기 고장 결정부(123)를 구비한다. 제1 상호간섭 다중모델 고장 검출 블록(120)은 상호간섭 다중모델 추정기법을 이용하여 센서 및 구동기에 대한 고장검출을 수행한다.The first mutual interference multi-model
센서 필터 모듈(121)은 제1 내지 제N 센서 필터(121a, 121b...121n)를 구비한다. 각 센서 필터(121a, 121b,..., 121n)는 각 센서 고장 모델 필터이다. 센서 필터 모듈(121)은 각 센서 필터의 확률을 계산하고, 계산된 모델 필터의 확률은 연합형 칼만필터 고장검출 블록(110)의 센서 고장 결정부(115)로 전달한다.The
상위 구동기 필터 모듈(122)은 제1 내지 제M 상위 필터(122a, 122b...122m)를 구비한다. 각 상위 필터(122a, 122b...122m)는 다수의 구동기에 대한 정상 모델 필터와 각 구동기에 대한 고장 모델 필터를 구비한다.The upper
구동기 고장 결정부(123)은 상위 구동기 필터 모듈(122)로부터의 데이터를 이용하여 구동기의 고장을 검출한다.
The driver
제2 상호간섭 다중모델 고장검출 블록(130)은 하위 구동기 필터 모듈(131)과, 고장 형태 결정부(132)를 구비한다.The second mutual interference multi-model
하위 구동기 필터 모듈(131)은 제1 내지 제L 하위 필터(131a, 131a...131l)를 구비한다. 제1 내지 제L 하위 필터(131a, 131a...131l)는 고장이 검출된 구동기의 고장 형태에 따른 고장 모델 필터이다.The lower
고장 형태 결정부(132)는 하위 구동기 필터 모듈(131)로부터의 데이터를 이용하여 고장 형태를 결정한다.
The
구동기 고장 검출을 위한 상호간섭 다중모델 필터에 대하여 더욱 상세히 설명하면 다음과 같다.A more detailed description of the multi-interference multi-model filter for detecting a driver failure is as follows.
상호간섭 다중모델필터 기법을 이용한 고장 검출 방식은 센서를 통해 측정되는 측정치와 고장을 가설한 필터의 추정치와의 잔차(residual)를 통해 검출하는 방식으로서, 고장 검출을 위한 가장 간단한 방법는 잔차의 크기가 일정 크기의 임계값을 넘으면 고장을 선언하는 것이다. 그러나 이러한 방식은 센서의 순간적인 이상이나 노이즈가 크게 발생하면 실제 고장이 나지 않았지만 고장으로 인식하는 허위 경보(false alarm)을 발생할 가능성이 높다. 따라서 이러한 방법보다는 다중 모델의 신뢰도 정보를 이용하여 고장을 검출하는 방법이 사용된다. 즉 각 모델들의 신뢰도 정보는 현재 시스템 모델과 각각의 모델과의 관련성을 나타내기 때문에 고장 검출 기법에 적용될 수 있다. 신뢰도를 이용한 고장 검출 방법은 수학식 34를 통해 수행된다.
The fault detection method using the mutual interference multi-model filter technique is a method of detecting a residual between a measured value measured by a sensor and an estimated value of a hypothesized filter. The simplest method for detecting a fault is that the magnitude of the residual If a certain threshold is exceeded, a failure is declared. However, this method is more likely to generate a false alarm that is recognized as a failure if the sensor does not have a real failure if a momentary abnormality or noise occurs. Therefore, a method of detecting a failure using reliability information of multiple models is used rather than this method. That is, since reliability information of each model represents a relationship between the current system model and each model, it can be applied to a failure detection technique. The fault detection method using the reliability is performed through Equation 34.
여기서 μ는 각 고장 모델들과 실제 시스템과의 가까운 척도를 나타내는 신뢰도이다. 따라서 특정 고장 모델의 신뢰도 μj가 증가하여 임계값 μT를 넘게되면 고장으로 선언한다. 상호간섭 다중모델필터 기법을 이용한 고장 검출 방식은 고장 시스템과 모델 사이의 차이인 잔차를 통해 구한 μj가 일정 크기의 임계값을 넘게되면 고장이라고 판단하는 방식으로서, 고장의 크기가 크다면 각 모델 사이의 차이가 크기 때문에 고장 검출을 빠르게 할 수 있지만, 만일 발생한 고장의 크기가 작아서 고장에 의한 잔차의 변화가 작다면, 이러한 고장을 검출하기 위해서는 잔차의 차이가 누적되어야 하기 때문에 μj가 μT를 넘을 때까지 일정 시간이 필요하게 된다. 이것은 고장이 발생하여도 고장 검출이 늦어진다는 단점이 있음을 의미한다. 따라서 본 실시예에서는 종래의 상호간섭 다중모델필터를 이용한 고장 검출 방식의 단점인 고장 검출 시간을 빠르게 줄이고, 상대적으로 작은 고장의 검출 성능을 높이기 위해 μ 값에 벌점(penalty)을 이용한다. 즉, 벌점을 통하여 종래의 상호간섭 다중모델필터 기법을 이용한 고장 검출 방식보다 검출 시간을 줄이고자 하였다. 벌점을 이용한 μj 계산을 하기 위해 먼저 기존의 상호간섭 다중모델필터의 μ를 계산한다.Where μ is the reliability that represents a close measure of each failure model and the actual system. Therefore, if the reliability μ j of a specific failure model increases and exceeds the threshold μ T , it is declared a failure. The failure detection method using the mutual interference multi-model filter technique is a method that determines that the μ j obtained from the residual, which is the difference between the failure system and the model, exceeds the predetermined threshold. Because of the large difference between them, fault detection can be made faster.However, if the magnitude of the generated fault is small and the change of residual due to the fault is small, μ j is μ T because the difference of the residual must be accumulated to detect such a fault. You will need a certain amount of time to pass. This means that even if a fault occurs, the fault detection is delayed. Therefore, in the present embodiment, a penalty is used for a μ value to quickly reduce the fault detection time, which is a disadvantage of the conventional fault detection method using the multi-interference multi-model filter, and to increase the detection performance of a relatively small fault. In other words, the penalty is to reduce the detection time than the failure detection method using the conventional mutual interference multi-model filter technique. To calculate μ j using penalties, we first calculate μ of the existing coherent multi-model filter.
상호간섭 다중모델필터에서 μj을 계산하기 위한 우도함수(likelihood function)는 수학식 35과 같다.
The likelihood function for calculating μ j in the mutual interference multi-model filter is shown in Equation 35.
여기서 vj는 측정치와 추정치를 통해 구한 잔차를 나타내며, Sj는 잔차의 공분산을 나타낸다. 각 모델들의 μj는 수학식 36를 통해 구한다. 모델의 개수는 j개이며 각 고장 상황을 바탕으로 모델을 설계한다.
Where v j represents the residual obtained from measurements and estimates, and S j represents the covariance of the residual. Μ j of each model is obtained through Equation 36. The number of models is j and the models are designed based on each failure situation.
각 고장 모델들의 신뢰도를 수학신 37와 같이 벡터로 구성한다.
The reliability of each failure model is composed of vectors as shown in Mathematical New 37.
고장 검출을 위해 중 가장 큰 값을 갖는 모델의 신뢰도를 찾는다. 그리고 이 신뢰도 값과 고장 검출 임계값을 비교하여 고장 모델의 신뢰도가 임계값보다 더 크게 되면 고장으로 판단한다.
For fault detection Find the reliability of the model with the largest value. The reliability value and the failure detection threshold are compared to determine that the failure model has a greater reliability than the threshold.
상호간섭 다중모델필터 기법을 이용한 고장 검출 방식은 위와 같은 단계를 통해 고장을 검출하게 된다. 본 실시예에서는 우도함수를 계산할 때 사용되는 exp{}의 부분에 벌점을 곱함으로써, μ의 수렴시간이 줄어들게 된다. 즉, 실제 시스템과 각 모델들과의 잔차에 벌점을 곱하면 모델들의 잔차들이 상대적으로 커지기 때문에 μ의 수렴 시간이 줄어들고, 이는 고장에 빨리 반응하는 결과를 가져오게 된다. 벌점을 이용하면 종래의 상호간섭 다중모델필터보다 고장을 더 빨리 검출할 수 있기 때문에 고장 분리와 복구 또한 빠르게 진행할 수 있다는 장점이 있다. 또한 고장을 빨리 검출한다는 것은 고장에 민감하다는 것이므로, 벌점을 이용하면 고장의 검출을 단계적으로 진행할 수 있다. 즉 이것은 상호간섭 다중모델필터의 단점인 계산량이 많다는 점을 극복할 수 있음을 의미한다.
The fault detection method using the mutual interference multi-model filter technique detects the fault through the above steps. In this embodiment, the convergence time of μ is reduced by multiplying the portion of exp {} used when calculating the likelihood function. In other words, multiplying the residuals between the actual system and each model by penalty gives a relatively large residual of the models, reducing the convergence time of μ, which results in a faster response to failure. Using the penalty, it is possible to detect failures faster than conventional multi-interference multi-model filters. In addition, the early detection of failures is sensitive to failures, and the use of penalties allows the detection of failures in stages. In other words, this means that a large amount of calculation, which is a disadvantage of the multi-interference multi-model filter, can be overcome.
도 5에 도시된 실시예의 작용을 예를 들어서 설명하면 다음과 같다.
Referring to the operation of the embodiment shown in Figure 5 for example as follows.
먼저, 센서에 고장이 발생한 경우에, 예를 들어 제2 센서 모듈(SM2)의 X축 자이로에서 바이어스 형태의 고장이 발생하면, 연합형 칼만필터 고장검출 블록(110)의 제2 로컬 필터(111b)의 민감 인자가 증가하게 된다. 제2 로컬 필터(111b)의 센서 데이터는 제1 상호간섭 다중모델 고장검출 블록(120)의 센서 필터 모듈(121)로 전달된다. 제1 상호간섭 다중모델 고장검출 블록(120)의 센서 필터 모듈(121)은 제2 센서 모듈(SM2)의 X축 자이로, Y축 자이로 및 Z축 자이로 각각의 고장 모델에 대한 센서 필터를 생성한다. 센서 필터 모듈(121)은 각 센서 필터를 이용하여 고장 확률을 계산하고 그 데이터를 연합형 칼만필터 고장검출 블록(110)의 센서 고장 결정부(115)로 전달하여, 제1 센서 고장 검출 단계가 수행된다. 연합형 칼만필터 고장검출 블록(110)의 센서 고장 결정부(115)는 민감 인자 산출부(112)로부터 받은 각 로컬 필터(111a, 111b)의 민감 인자와 제1 상호간섭 다중모델 고장검출 블록(120)의 센서 필터 모듈(121)로부터 전달받은 데이터를 바탕으로 제2 센서 모듈(SM2)의 X축 자이로의 고장을 검출하여 분리하여 제2 센서 고장 검출 단계가 수행된다. 이와 같이 센서에 대한 고장검출이 완료되면 제1 상호간섭 다중모델 고장검출 모듈(120)은 고장이 나지 않은 제1 로컬 필터(111a)의 센서 데이터를 받아서 구동기에 대한 고장검출을 수행하게 된다. 구동기에 대한 고장검출은 아래 단락에 포함된 구동기에 대한 고장검출 과정과 동일하다.
First, when a failure occurs in the sensor, for example, when a bias type failure occurs in the X-axis gyro of the second sensor module SM2, the second local filter 111b of the associated Kalman filter
다음, 센서의 고장이 없이 구동기만 고장일 경우, 예를 들어 2번 반작용 휠에서 원래 성능의 25%만 구동하게 되는 부분 고장이 발생한 경우, 연합형 칼만필터 고장검출 블록(110)에서 제1 로컬 필터(111a)의 고장 신뢰도와 제2 로컬 필터(111b)의 고장 신뢰도가 서로 큰 차이를 갖지 않게 된다. 두 로털 필터(111a, 111b)의 고장 신뢰도 값에 큰 차이가 없다는 것은 센서에는 고장이 없다는 것을 의미하므로, 두 센서 모듈(SM1, SM2) 중 임의의 센서 모듈의 데이터만이 제1 상호간섭 다중모델 고장검출 블록(120)의 상위 구동기 필터 모듈(122)로 전달된다. 상위 구동기 필터 모듈(122)은 반작용 휠의 고장과 관련된 모델의 필터들을 생성한다. 상위 구동기 필터 모듈(122)에서 2번 반작용 휠의 고장 모델 필터의 확률이 임계값을 넘게된다. 그에 따라 구동기 고장 결정부(123)에서는 2번 반작용 휠의 고장을 선언한다. 이후, 관련 데이터는 제2 상호간섭 다중모델 고장검출 블록(130)의 하위 구동기 필터 모듈(131)로 전달된다. 하위 구동기 필터 모듈(131)은 2번 반작용 휠의 완전 고장 및 부분 고장에 대한 2개의 하위 필터를 생성하며, 각 고장 모델의 확률 계산을 통해 2번 반작용 휠의 부분 고장을 고장 형태 결정부를 통해 결정하게 된다.
Next, when only the driver fails without a sensor failure, for example, when a partial failure occurs in which the second reaction wheel drives only 25% of the original performance, the first local in the associated Kalman filter
이하에서는 본 발명에 따른 실시예의 성능 검증을 위한 시뮬레이션 결과를 설명한다.
Hereinafter, a simulation result for verifying the performance of the embodiment according to the present invention will be described.
먼저, 벌점을 이용한 구동기 고장검출 성능에 대한 시뮬레이션 결과를 설명한다. 인공위성의 자세 변화를 위해 1, 2, 3번 반작용 휠이 구동하다가 5초에 2번 반작용 휠에 고장이 발생한 것으로 설명하며, 고장 모델 필터는 4개의 반작용 휠 각각의 고장 모델 및 +방향, -방향의 추력기 고장모델 6개, 및 정상 모델로서 모두 11개로 구성된다. 고장의 형태가 정상 출력의 1%만 나오는 부분 고장일 때 본 실시예에 따라 벌점을 이용한 IMM의 확률 변화 그래프는 도 6에 도시되어 있으며, 벌점을 이용하지 않는 종래의 IMM의 확률 변화 그래프는 도 7에 도시되어 있다. 도 6 및 도 7 모두 고장이 발생하지 않았을 때는 고장이 나지 않은 정상일 때의 확률인 (a)선이 1을 유지하다가 2번 반작용 휠에서 고장이 발생하게 되면 2번 고장 모델인 (b) 선의 확률이 점점 증가하여 임계값을 넘는 것을 확인할 수 있다. 그러나, 도 6의 벌점을 이용하는 방식과 도 7의 벌점을 이용하지 않는 방식을 비교하면, 벌점을 이용하는 기법이 더 빠르게 고장을 검출하고 있음을 확인할 수 있다. 이것은 벌점을 이용하여 우도함수를 계산하게 되면 고장 확률의 수렴 시간이 짧아지기 때문이며 그 만큼 더 빠르게 고장 임계값을 넘게 되는 것이다.
First, the simulation results of the driver fault detection performance using the penalty point will be described. The
도 8은 벌점의 변화에 따른 고장 검출 성능에 대한 시뮬레이션 결과를 보여주는 그래프이다. 도 8을 참조하면, 벌점을 이용하지 않는 (a)선, 벌점 2를 이용하는 (b)선, 벌점 4를 이용하는 (c)선 각각이 고장 크기에 대한 검출 시간의 변화를 보여준다. 도 8에 도시된 바와 같이, 구동기의 고장 크기가 작을수록 큰 벌점을 이용하는 기법의 고장 검출 성능이 더 좋다.
8 is a graph showing a simulation result of the failure detection performance according to the change in the penalty. Referring to FIG. 8, the lines (a) not using the penalty, the line (b) using the
본 실시예의 구동기 고장 검출 과정은 도 5에 도시된 바와 같이 제1 상호간섭 다중모델 고장검출 블록에서의 제1 검출 단계와, 제2 상호간섭 다중모델 고장검출 블록에서의 제2 검출 단계를 거치게 된다. 이와 같은 2단계의 구동기 고장 검출 과정의 성능을 확인하기 위해, 5초에 2번 반작용 휠에 완전 고장이 발생한 경우에 대한 시뮬레이션을 실시하였으며, 그 결과가 도 9 및 도 10에 도시되어 있다. 먼저 제1 검출 단계에서 구동기에 대한 10개의 고장 모델과 1개의 정상 모델로 구성된 11개의 모델을 이용하여 2번 반작용 휠의 고장이 도 9에 도시된 바와 같이 검출된다. 다음, 제2 검출 단계에서 2번 반작용 휠의 부분 고장 및 완전 고장 모델로 구성된 2개의 모델을 이용하여 2번 반작용 휠의 완전 고장이 도 10에 도시된 바와 같이 검출된다.As shown in FIG. 5, the driver failure detection process of the present embodiment is subjected to a first detection step in a first mutual interference multi-model failure detection block and a second detection step in a second mutual interference multi-model failure detection block. . In order to confirm the performance of the two-step actuator failure detection process, a simulation was performed for a case where a complete failure occurred in the reaction wheel twice every 5 seconds, and the results are shown in FIGS. 9 and 10. First, a failure of the second reaction wheel is detected as shown in FIG. 9 using eleven models consisting of ten failure models and one normal model for the driver in the first detection step. Next, in the second detection step, the complete failure of the second reaction wheel is detected as shown in FIG. 10 using two models consisting of a partial failure and a complete failure model of the second reaction wheel.
도 11에는 동일한 조건에서 종래의 방식에서의 구동기 고장 검출에 대한 시뮬레이션 결과가 도시되어 있다. 이 경우, 10개의 완전 고장 모델과, 10개의 부분 고장 모델, 및 1개의 정상 모델 필터로 모두 21개의 고장 모델이 동시에 생성되어 사용된다. 도 11을 참조하면, 2번 반작용 휠의 완전 고장 모델과 부분 고장 모델의 확률이 초기에 함께 증가하는 것을 알 수 있다. 이것은 같은 구동기의 고장 모델이기 때문에 당연한 결과이지만, 이러한 원인으로 정확한 고장 검출 시간이 더 느려지게 하는 영향을 준다.Figure 11 shows the simulation results for driver failure detection in the conventional manner under the same conditions. In this case, 21 failure models are generated and used simultaneously with 10 full failure models, 10 partial failure models, and one normal model filter. Referring to FIG. 11, it can be seen that the probability of the complete failure model and the partial failure model of the second reaction wheel increases initially. This is a natural result because it is a failure model of the same driver, but this causes the exact failure detection time to be slowed down.
표 1에는 종래의 IMM을 이용한 고장 검출분리 기법과 본 실시예에 따른 2단계 IMM을 이용한 고장 검출분리 기법의 검출시간이 비교되어 있다. 표 1를 통해 알 수 있는 바와 같이, 본 실시예에 따른 2단계 IMM을 이용한 고장 검출분리 기법이 종래의 기법보다 고장 형태 검출를 빠르게 검출함을 알 수 있다.
Table 1 compares the detection time of the conventional fault detection separation method using the IMM and the fault detection separation method using the two-stage IMM according to the present embodiment. As can be seen from Table 1, it can be seen that the fault detection separation technique using the two-stage IMM according to the present embodiment detects the failure type detection faster than the conventional technique.
도 12, 도 13 및 도 14는 도 5에 도시된 고장 검출기를 이용한 센서 고장 검출에 대한 시뮬레이션 결과를 보여주는 그래프이다.12, 13, and 14 are graphs showing simulation results of sensor failure detection using the failure detector illustrated in FIG. 5.
도 12는 센서 고장이 없는 경우로서, 제1 센서 모듈의 민감 인자(a)와 제2 센서 모듈의 민감 인자(b)가 모두 임계값보다 작게 나타난다.FIG. 12 shows that there is no sensor failure, and both the sensitivity factor a of the first sensor module and the sensitivity factor b of the second sensor module are smaller than the threshold value.
도 13 및 도 14는 제2 센서 모듈의 X축 자이로의 센서가 5초에 고장났을 때의 시뮬레이션 결과를 보여준다. 도 13을 참조하면, 연합형 칼만필터 고장검출 블록(110)에서 제2 센서 모듈(SM2)의 민감 인자(b)가 임계값을 넘는 것을 알 수 있다. 제2 센서 모듈(SM2)의 센서 모듈 데이터가 제1 상호간섭 다중모델 고장검출 블록(120)으로 전달되어 센서 필터 모듈(121)에서 생성된 각 센서 필터에서 각 모델의 확률이 계산되며, 각 모델에서의 확률이 도 14에 도시되어 있다. 도 14에 도시된 바와 같이, 정상 모델의 확률은 1을 유지하다가 5초 이후에 확률이 떨어지고, X축 자이로 고장 모델 확률이 증가하며, Y축 및 Z축 자이로 고장 모델의 확률은 0을 계속 유지하는 것을 확인할 수 있다.
13 and 14 show simulation results when the sensor of the X-axis gyro of the second sensor module fails in 5 seconds. Referring to FIG. 13, it can be seen that in the associated Kalman filter
이상 실시예를 들어 본 발명을 설명하였으나, 본 발명은 이에 제한되는 것은 아니다. 상기 실시예는 본 발명의 취지 및 범위를 벗어나는 않고 수정되거나 변경될 수 있으며, 당업자는 이러한 수정과 변경도 본 발명에 속하는 것임을 알 수 있을 것이다.Although the present invention has been described with reference to the above embodiments, the present invention is not limited thereto. The above embodiments may be modified or changed without departing from the spirit and scope of the present invention, and those skilled in the art will recognize that such modifications and changes also belong to the present invention.
100 : 고장 검출기 110 : 연합형 칼만필터 고장검출 블록
111a : 제1 로컬 필터 111b : 제2 로컬 필터
120 : 제1 상호간섭 다중모델 고장검출 블록
121 : 센서필터 모듈 122 : 상위 구동기 필터 모듈
130 :제2 상호간섭 다중모델 고장검출 블록
131 : 하위 구동기 필터 모듈100: fault detector 110: associated Kalman filter fault detection block
111a: first local filter 111b: second local filter
120: first mutual interference multi-model failure detection block
121: sensor filter module 122: upper driver filter module
130: second mutual interference multi-model failure detection block
131: lower driver filter module
Claims (11)
상기 다수의 구동기에 대한 정상 모델 필터와 상기 각 구동기에 대한 고장 모델 필터를 구비하는 다수의 상위 필터를 생성하며, 상기 다수의 상위 필터로부터 상호간섭 다중모델 추정기법을 이용하여 상기 다수의 구동기에 대한 고장검출을 수행하는 제1 상호간섭 다중모델 고장검출 블록; 및
상기 제1 상호간섭 다중모델 고장검출 블록에서 검출된 고장 구동기에 대한 각 고장 형태 모델 필터를 구비하는 다수의 하위 필터를 생성하며, 상호간섭 다중모델 추정기법을 이용하여 상기 고장 구동기에 대한 고장 형태 검출을 수행하는 제2 상호간섭 다중모델 고장검출 블록을 포함하는 우주비행체의 자세제어시스템을 위한 고장 검출기.A fault detector for an attitude control system of a space vehicle having a plurality of drivers,
Generating a plurality of upper filters including a normal model filter for the plurality of drivers and a failure model filter for each of the drivers, and using the mutually interfering multi-model estimation technique from the plurality of upper filters A first mutually interfering multi-model fault detection block for performing fault detection; And
Generate a plurality of sub-filters each having a failure type model filter for the failure driver detected in the first interference multi-model failure detection block, and detect the failure type for the failure driver using the mutual interference multi-model estimation technique. Fault detector for the attitude control system of the space vehicle including a second mutual interference multi-model fault detection block for performing a.
상기 상호간섭 다중모델 추정기법은 상기 각 모델 필터의 신뢰도 계산시에 벌점을 이용하는 것을 특징으로 하는 우주비행체의 자세제어시스템을 위한 고장 검출기.The method according to claim 1,
The mutual interference multi-model estimating technique uses a penalty for calculating reliability of each model filter.
상기 다수의 구동기는 4개의 반작용 휠과 6개의 추력기 쌍을 구비하며,
상기 다수의 상위 필터의 각 구동기에 대한 고장 모델 필터는 상기 4개의 반작용 휠 각각에 대한 고장 모델 필터와 상기 6개의 추력기 쌍 각각에 대한 고장 모델 필터를 구비하는 것을 특징으로 하는 우주비행체의 자세제어시스템을 위한 고장 검출기.The method according to claim 1,
The plurality of drivers has four reaction wheels and six thrust pairs,
The failure model filter for each driver of the plurality of upper filters includes a failure model filter for each of the four reaction wheels and a failure model filter for each of the six thrust pairs. Fault detector
상기 다수의 하위 필터는 상기 고장 구동기에 대한 완전 고장 모델 필터와 부분 고장 모델 필터를 구비하는 것을 특징으로 하는 우주비행체의 자세제어시스템을 위한 고장 검출기.The method according to claim 1,
And said plurality of sub-filters comprises a complete failure model filter and a partial failure model filter for said failure driver.
상기 우주비행체는 다수의 센서 모듈을 구비하며,
상기 다수의 센서 모듈 각각으로부터 데이터를 입력받아서 상기 우주비행체의 자세 모델의 추정치를 계산하는 다수의 로컬 필터와, 상기 우주비행체의 자세에 대한 예측 필터와, 상기 다수의 로컬 필터로부터의 데이터와 상기 예측 필터의 데이터를 이용하여 상기 각 로컬 필터에 대한 민감 인자를 산출하는 민감 인자 산출부와, 각 로컬 필터에 대한 민감 인자를 비교하는 비교부를 구비하는 연합형 칼만필터 고장검출 블록을 더 포함하며,
상기 연합형 칼만 필터 고장검출 블록은 가장 작은 민감 인자를 갖는 로컬 필터에 사용된 센서 모듈의 데이터를 상기 제1 상호간섭 다중모델 고장검출 블록의 상위 필터로 전달하는 것을 특징으로 하는 우주비행체의 자세제어시스템을 위한 고장 검출기.The method according to claim 1,
The space vehicle has a plurality of sensor modules,
A plurality of local filters that receive data from each of the plurality of sensor modules to calculate an estimate of the attitude model of the space vehicle, a prediction filter for the attitude of the space vehicle, data from the plurality of local filters, and the prediction Further comprising a federated Kalman filter fault detection block having a sensitivity factor calculation unit for calculating the sensitivity factor for each local filter using the data of the filter, and a comparison unit for comparing the sensitivity factor for each local filter,
The associated Kalman filter fault detection block transmits the data of the sensor module used in the local filter having the smallest sensitivity factor to the upper filter of the first interferometric multi-model fault detection block. Fault detector for the system.
상기 제1 상호간섭 다중모델 고장검출 블록은 가장 큰 민감 인자를 갖는 로컬 필터에 대응하는 센서 모듈의 각 센서에 대한 고장 모델 필터를 구비하는 다수의 센서 필터를 생성하며,
상기 연합형 칼만필터 고장검출 블록은 가장 큰 민감 인자를 갖는 로컬 필터에 사용된 센서 모듈의 데이터를 상기 다수의 센서 필터로 전달하며, 상기 민감 인자와 상기 다수의 센서 필터로부터의 데이터를 이용하여 센서의 고장을 검출하는 것을 특징으로 하는 우주비행체의 자세제어시스템을 위한 고장 검출기.The method according to claim 5,
The first mutual interference multi-model failure detection block generates a plurality of sensor filters including a failure model filter for each sensor of the sensor module corresponding to a local filter having the largest sensitivity factor,
The associated Kalman filter fault detection block transmits the data of the sensor module used in the local filter having the largest sensitivity factor to the plurality of sensor filters, and uses the data from the sensitive factors and the plurality of sensor filters. Failure detector for the attitude control system of the space vehicle, characterized in that for detecting the failure of the.
상기 센서 모듈은 X축 자이로와, Y축 자이로와, Z축 자이로를 구비하며,
상기 다수의 센서 필터는 X축 자이로의 고장 모델 필터와, Y축 자이로의 고장 모델 필터와, Z축 자이로의 고장 모델 필터를 구비하는 것을 특징으로 하는 우주비행체의 자세제어시스템을 위한 고장 검출기.The method according to claim 5,
The sensor module has an X axis gyro, a Y axis gyro, and a Z axis gyro,
The plurality of sensor filters include a failure model filter of an X-axis gyro, a failure model filter of a Y-axis gyro, and a failure model filter of a Z-axis gyro.
상기 다수의 구동기에 대한 정상 모델 필터와 상기 각 구동기에 대한 고장 모델 필터를 구비하는 다수의 상위 필터를 생성하며, 상호간섭 다중모델 추정기법을 이용하여 상기 다수의 구동기에 대한 고장검출을 수행하는 제1 구동기 고장 검출 단계; 및
상기 제1 구동기 고장 검출 단계에서 검출된 고장 구동기의 고장 형태에 대한 다수의 하위 모델 필터를 생성하며, 상호간섭 다중모델 추정기법을 이용하여 상기 고장 구동기에 대한 고장 형태 검출을 수행하는 제2 구동기 고장 검출 단계를 포함하는 우주비행체의 자세제어시스템을 위한 고장 검출 방법.In the fault detection method for the attitude control system of a space vehicle having a plurality of drivers,
Generating a plurality of upper filters including a normal model filter for the plurality of drivers and a failure model filter for each of the drivers, and performing failure detection for the plurality of drivers by using an interfering multi-model estimation technique. 1 driver failure detection step; And
A second driver failure for generating a plurality of sub-model filters for the failure type of the failure driver detected in the first driver failure detection step, and performing failure type detection for the failure driver by using an interfering multi-model estimation technique; A fault detection method for an attitude control system of a space vehicle comprising a detecting step.
상기 상호간섭 다중모델 추정기법은 상기 각 모델 필터의 신뢰도 계산시에 벌점을 이용하는 것을 특징으로 하는 우주비행체의 자세제어시스템을 위한 고장 검출 방법.The method according to claim 8,
The mutual interference multiple model estimating technique uses a penalty for calculating reliability of each model filter.
상기 우주비행체는 다수의 센서 모듈을 구비하며,
상기 다수의 상기 다수의 센서 모듈 각각으로부터 데이터를 입력받아서 계산된 상기 우주비행체의 자세 모델의 추정치와 상기 우주비행체의 자세에 대한 예측값을 이용하여 각 추정치에 대한 민감 인자를 계산하고 비교하는 제1 센서 고장 검출 단계; 및
가장 큰 민감 인자를 갖는 추정치의 계산에 사용된 센서 모듈의 각 센서의 고장 모델 필터를 생성하며, 상기 가장 큰 민감 인자를 갖는 추정치의 계산에 사용된 센서 모듈의 데이터를 기초로 상호간섭 다중모델 추정기법을 이용하여 개별 센서의 고장을 검출하는 제2 센서 고장 검출 단계를 포함하는 것을 특징으로 하는 우주비행체의 자세제어시스템을 위한 고장 검출 방법.The method according to claim 8,
The space vehicle has a plurality of sensor modules,
A first sensor that calculates and compares a sensitivity factor for each estimate by using an estimate of the attitude model of the space vehicle and a prediction value of the attitude of the space vehicle calculated by receiving data from each of the plurality of sensor modules Fault detection step; And
Create a failure model filter for each sensor of the sensor module used in the calculation of the estimate with the largest sensitivity factor, and based on the data of the sensor module used in the calculation of the estimate with the largest sensitivity factor, interfering multi-model estimation And a second sensor fault detection step of detecting faults of the individual sensors using the technique.
상기 민감 인자들 중 가장 작은 민감 인자를 갖는 추정치의 계산에 사용된 센서 모듈의 데이터는 상기 제1 구동기 고장 검출 단계로 전달되는 것을 특징으로 하는 우주비행체의 자세제어시스템을 위한 고장 검출 방법.The method of claim 10,
The data of the sensor module used in the calculation of the estimate having the smallest sensitive factor among the sensitive factors is passed to the first driver failure detection step, characterized in that the failure control method for the attitude control system of the space vehicle.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020100084715A KR101189697B1 (en) | 2010-08-31 | 2010-08-31 | Fault detector and detecting method for attitude control system of spacecaft |
US12/946,882 US8775009B2 (en) | 2010-08-31 | 2010-11-16 | Fault detector and fault detection method for attitude control system of spacecraft |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020100084715A KR101189697B1 (en) | 2010-08-31 | 2010-08-31 | Fault detector and detecting method for attitude control system of spacecaft |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20120020835A KR20120020835A (en) | 2012-03-08 |
KR101189697B1 true KR101189697B1 (en) | 2012-10-10 |
Family
ID=45698271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020100084715A KR101189697B1 (en) | 2010-08-31 | 2010-08-31 | Fault detector and detecting method for attitude control system of spacecaft |
Country Status (2)
Country | Link |
---|---|
US (1) | US8775009B2 (en) |
KR (1) | KR101189697B1 (en) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104049640A (en) * | 2014-06-27 | 2014-09-17 | 金陵科技学院 | Unmanned air vehicle attitude robust fault tolerance control method based on neural network observer |
US9002678B1 (en) | 2014-01-10 | 2015-04-07 | King Fahd University Of Petroleum And Minerals | Unified approach to detection and isolation of parametric faults using a kalman filter residual-based approach |
US11435734B2 (en) | 2019-03-19 | 2022-09-06 | King Fahd University Of Petroleum And Minerals | Apparatus and method for failure detection |
KR20240001907A (en) | 2022-06-28 | 2024-01-04 | 인천대학교 산학협력단 | Apparatus and method for system fault diagnosis using parallel connected interacting multiple model |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9115662B1 (en) | 2009-07-10 | 2015-08-25 | The Boeing Company | Health-adaptive reaction control system |
CN102736618B (en) * | 2012-06-18 | 2015-02-11 | 北京控制工程研究所 | Diagnosability determining method of satellite control system based on transfer functions |
CN103488092B (en) * | 2013-10-16 | 2016-01-20 | 哈尔滨工业大学 | Diagnose and fault tolerant control method based on the satellite failure of T-S fuzzy model with study observer |
CN104076247A (en) * | 2014-07-01 | 2014-10-01 | 国家电网公司 | Power frequency power communication failure detecting method |
CN104077486A (en) * | 2014-07-01 | 2014-10-01 | 国家电网公司 | Method for diagnosing power system faults |
CN104483835B (en) * | 2014-11-06 | 2017-03-15 | 中国运载火箭技术研究院 | A kind of flexible spacecraft multiple target integrated control method based on T S fuzzy models |
CN105373112A (en) * | 2015-09-30 | 2016-03-02 | 成都飞机工业(集团)有限责任公司 | A steering engine fault detection and diagnosis method based on multi-model parameter estimation |
CN105253330B (en) * | 2015-10-30 | 2017-04-05 | 中国空间技术研究院 | A kind of information fusion GEO satellite control system menu-type design method based on optimization |
CN105785790B (en) * | 2016-01-22 | 2018-08-07 | 山东中宇航空科技发展有限公司 | The control method of switch control unit is filtered under a kind of automatic control state based on unmanned systems |
CN105700537B (en) * | 2016-01-22 | 2018-05-15 | 山东中宇航空科技发展有限公司 | A kind of control method based on UAV Attitude control filter unit |
CN106020165B (en) * | 2016-05-30 | 2017-05-10 | 北京航空航天大学 | Spacecraft fault tolerance control method and verification device for aiming at faults of actuating mechanism |
CN106742067B (en) * | 2016-12-02 | 2019-06-21 | 上海航天控制技术研究所 | Attitude control engine on-orbit fault Fault Diagnostic Expert System and method based on reference model |
US10643187B2 (en) * | 2017-06-09 | 2020-05-05 | Kidde Technologies, Inc. | Reporting and prioritizing faults for aircraft downtime reduction |
CN108181913B (en) * | 2017-12-06 | 2019-05-03 | 北京航空航天大学 | A kind of spacecraft self-adapted tolerance Attitude tracking control method with specified tracking performance |
CN109460071B (en) * | 2018-09-14 | 2021-10-29 | 中国人民解放军国防科技大学 | Spacecraft orbit power abnormity compensation method |
CN109596130A (en) * | 2018-12-04 | 2019-04-09 | 上海航天控制技术研究所 | Satellite attitude determination method and Satellite Attitude Determination System |
CN110333710B (en) * | 2019-06-28 | 2020-12-18 | 中国空间技术研究院 | System and method for detecting and processing on-orbit fault of spacecraft |
CN110489245B (en) * | 2019-08-07 | 2022-03-11 | 上海微小卫星工程中心 | Remote Procedure Call (RPC) -based fault injection method and system |
CN110568773B (en) * | 2019-09-29 | 2023-02-03 | 上海航天控制技术研究所 | Method and system for controlling moment gyro group fault simulation test |
CN111324036B (en) * | 2020-01-19 | 2020-11-20 | 北京空间飞行器总体设计部 | Diagnosability quantification method for time-varying system under influence of bounded interference |
CN111290366B (en) * | 2020-02-12 | 2022-05-27 | 北京科技大学顺德研究生院 | Multi-fault diagnosis method for attitude control system of spacecraft |
CN111605737B (en) * | 2020-05-11 | 2021-10-01 | 北京控制工程研究所 | Spacecraft three-phase control multi-level collaborative planning and agile maneuvering method |
CN113791603A (en) * | 2021-09-07 | 2021-12-14 | 中国计量大学 | Sensor fault diagnosis method for cascade constant value control system |
KR102665780B1 (en) * | 2022-08-12 | 2024-05-16 | 인천대학교 산학협력단 | Apparatus and method for unmanned aerial vehicle fault detection using interacting multiple model |
CN115857529B (en) * | 2022-12-05 | 2023-12-22 | 哈尔滨工业大学 | Method for reconstructing actuator fault of spacecraft attitude control system |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5719764A (en) | 1995-07-19 | 1998-02-17 | Honeywell Inc. | Fault tolerant inertial reference system |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6128555A (en) | 1997-05-29 | 2000-10-03 | Trw Inc. | In situ method and system for autonomous fault detection, isolation and recovery |
US6535833B1 (en) | 1999-11-22 | 2003-03-18 | Nokia Mobile Phones Ltd. | Method and apparatus for filtering measurements used in a generalized positioning system |
US6757858B1 (en) | 2000-07-31 | 2004-06-29 | Hughes Electronics Corp. | System signaling for payload fault detection and isolation |
US6515618B1 (en) | 2000-11-29 | 2003-02-04 | Trimble Navigation Ltd. | Fault detection and exclusion in a positioning system receiver |
US6681182B2 (en) | 2002-02-01 | 2004-01-20 | The Aerospace Corporation | Fault detection pseudo gyro |
US20060074558A1 (en) * | 2003-11-26 | 2006-04-06 | Williamson Walton R | Fault-tolerant system, apparatus and method |
US7769543B2 (en) | 2007-04-30 | 2010-08-03 | The Boeing Company | Fault detection and reconfiguration of an automated refueling boom |
-
2010
- 2010-08-31 KR KR1020100084715A patent/KR101189697B1/en active IP Right Grant
- 2010-11-16 US US12/946,882 patent/US8775009B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5719764A (en) | 1995-07-19 | 1998-02-17 | Honeywell Inc. | Fault tolerant inertial reference system |
Non-Patent Citations (2)
Title |
---|
한국항공우주학회 2010 춘계학술발표회집 (p.415-418) |
한국항공우주학회지 제37권제12호 (p.1225-1231) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9002678B1 (en) | 2014-01-10 | 2015-04-07 | King Fahd University Of Petroleum And Minerals | Unified approach to detection and isolation of parametric faults using a kalman filter residual-based approach |
CN104049640A (en) * | 2014-06-27 | 2014-09-17 | 金陵科技学院 | Unmanned air vehicle attitude robust fault tolerance control method based on neural network observer |
CN104049640B (en) * | 2014-06-27 | 2016-06-15 | 金陵科技学院 | Unmanned vehicle attitude robust fault tolerant control method based on Neural Network Observer |
US11435734B2 (en) | 2019-03-19 | 2022-09-06 | King Fahd University Of Petroleum And Minerals | Apparatus and method for failure detection |
KR20240001907A (en) | 2022-06-28 | 2024-01-04 | 인천대학교 산학협력단 | Apparatus and method for system fault diagnosis using parallel connected interacting multiple model |
Also Published As
Publication number | Publication date |
---|---|
US20120053780A1 (en) | 2012-03-01 |
US8775009B2 (en) | 2014-07-08 |
KR20120020835A (en) | 2012-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101189697B1 (en) | Fault detector and detecting method for attitude control system of spacecaft | |
US11821729B2 (en) | Elman neural network assisting tight-integrated navigation method without GNSS signals | |
Wang et al. | Reliable intelligent path following control for a robotic airship against sensor faults | |
CN105843240B (en) | A kind of spacecraft attitude Integral Sliding Mode fault tolerant control method considering actuator failures | |
Hajiyev et al. | Robust adaptive Kalman filter for estimation of UAV dynamics in the presence of sensor/actuator faults | |
US9073648B2 (en) | Star tracker rate estimation with kalman filter enhancement | |
CN103676941B (en) | Satellite control system method for diagnosing faults based on kinematics and dynamics modeling | |
Jaradat et al. | Non-linear autoregressive delay-dependent INS/GPS navigation system using neural networks | |
Jiang et al. | Parameter estimation-based fault detection, isolation and recovery for nonlinear satellite models | |
Youn et al. | Combined quaternion-based error state Kalman filtering and smooth variable structure filtering for robust attitude estimation | |
Zhong et al. | Sensor fault detection and diagnosis for an unmanned quadrotor helicopter | |
Venkateswaran et al. | Analytical redundancy based fault detection of gyroscopes in spacecraft applications | |
CN102175266B (en) | Fault diagnosis method for mobile gyroscope inertia subassembly | |
Chambers et al. | Robust multi-sensor fusion for micro aerial vehicle navigation in GPS-degraded/denied environments | |
CN106030430A (en) | Multi-sensor fusion for robust autonomous filght in indoor and outdoor environments with a rotorcraft micro-aerial vehicle (MAV) | |
CN110426032B (en) | Analytical redundant aircraft fault-tolerant navigation estimation method | |
Han et al. | Fault detection and identification of aircraft control surface using adaptive observer and input bias estimator | |
Abdelrahman et al. | Sigma-point Kalman filtering for spacecraft attitude and rate estimation using magnetometer measurements | |
Guo et al. | Fault detection and isolation for Unmanned Aerial Vehicle sensors by using extended PMI filter | |
Wan et al. | Real-time fault-tolerant moving horizon air data estimation for the reconfigure benchmark | |
Han et al. | Quadratic-Kalman-filter-based sensor fault detection approach for unmanned aerial vehicles | |
Liu et al. | A fault-tolerant attitude estimation method for quadrotors based on analytical redundancy | |
Lim et al. | Satellite fault detection and isolation scheme with modified adaptive fading EKF | |
Pittet et al. | A model-based diagnosis method for transient and multiple faults of aocs thrusters | |
Rudin et al. | A sensor fault detection for aircraft using a single Kalman filter and hidden Markov models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20160217 Year of fee payment: 5 |
|
FPAY | Annual fee payment |
Payment date: 20170925 Year of fee payment: 6 |
|
FPAY | Annual fee payment |
Payment date: 20181001 Year of fee payment: 7 |
|
FPAY | Annual fee payment |
Payment date: 20191001 Year of fee payment: 8 |